MoM：记忆中的记忆

对于一个长期的 LLM 代理人来说，记忆问题不是曾经记录过什么，而是 \emph{当前持有什么}。大多数设计只是间接地回答这个问题：每次交互都被存储，并且在查询时通过检索和协调记录来重建当前，因此过时的值会重新输入，并且会重新引发相同的冲突。在写入时提交当前值可以避免这种情况，但现有的写入时 (CRUD) 内存会被覆盖，因此错误的更新是不可恢复的，并且先前的状态会丢失。我们采用缺失的组合——\emph{到达时提交，同时保留被替换的内容}——并将其形式化为 \textsc{记忆的记忆} (MoM)：记忆不仅跟踪内容，还跟踪其自身条目的出处、状态和历史。我们将 MoM 实例化为 \textsc{Provenant Memory} (P-Mem)，这是一种类型化的出处图，其 \emph{active frontier} 公开每个已解析键的一个当前值，而移位的值则保留为出处；类型化操作决定新的观察是否支持、取代、竞争、拒绝、撤销或解决现有值。 P-Mem 的决定性收益是有效性而不是准确性：它的回合级读取在准确度上与最强的检索记忆相匹配，读取标记数减少了 $\sim$4$\times$——检索粒度效应——而图引导的回合修剪降低了知识更新陈旧答案率 (19.4\%$\rightarrow$10.9\%)；在修订链上，它保持在 100\%，其中查询时读取崩溃到 25\%，并且由于保留而不是覆盖移位值，因此它可以恢复 CRUD 内存无法恢复的已提交错误（100\% vs.\ 0\%）。